This work investigates the possibility of applying machine learning and data mining to the problem of finding solutions to software and hardware problems arising in telecommunication systems. Trouble ticket data is analyzed using traditional data mining techniques and more complex machine learning models, including neural networks, to find out which types of models are suitable for the task. Results show that there are relevant correlations in the data which enables the root cause to predicted with up to 90% accuracy in the case of the most common root cause, and up to 70% when classifying between up to 20 root causes. These predictive models could be used to assist the engineers by giving them probably suggestions for the root cause, and potentially save time in the troubleshooting process. Relatively simple data mining and linear models performed best which shows that this could be implemented in practice given that these methods are fast, robust, memory efficient and easy to implement. Neural networks were also investigated but gave no significant improvement in the results, athough there are indications that they could outperform linear models if more training data was available. A large fraction of the collected data could not be used for analysis because of missing values and other inconsistencies, which highlights the importance of defining standards for the data collection process. This would lead to higher quality data, and allow the trained models to be more general and perform well in multiple locations.

Forskargruppen Educational Technology Group med forskare från Linköpings och Lunds universitet jobbar på ett lärospel i historia för mellanstadiet. En av aktiviteterna i spelet är att skapa begreppskartor och denna aktivitet är i behov av en uppgradering för att kunna utmana eleverna på en svårare nivå. En högre nivå ska nås genom att eleverna får jobba med fler än en begreppskarta åt gången och varje begreppskarta ska få zoom- och panorerings-funktionalitet. Den här rapporten går igenom några olika sätt för att implementera zoom och panorering och avslutas med att implementera och utvärdera en lösning i flera iterationer.   D3 visar sig vara ett JavaScriptbibliotek som har allt för att implementera begreppskartor med zoom och panorering, dessutom krävs inga Meteor-specifika funktionaliteter. Resultatet av denna studie går även att använda sig av för att implementera zoom och panorering till andra delar av sin applikation än begreppskartor.   Vid testning med D3 visade webbläsarna Chrome, Firefox och Edge olika resulat vid touch-interaktioner. Chrome gav fullt stöd för alla touch-interaktionen. Firefox krävde dubbeltryck eller att man höll ner fingret en stund för att aktivera dragning av begrepp eller panorering. Vid vertikala dragningar för panorering kunde zoom aktiveras istället för panorering. I webbläsaren Edge fungerade inga touch-interaktioner.   Scroll mellan begreppskartor och zoom och panorering i begreppskartorna blev en för avancerad interaktion för den tänkta användargruppen, elever på mellanstadiet. Att kunna visa en helhetsbild av alla begreppskartor tillsammans ansågs viktigare än att ha zoom och panorering. En bra kompromiss mellan helhetsbild och interaktions-yta blev att visa alla utom en begreppskarta som miniatyrer. Detta kunde implementeras med hjälp av javascriptbiblioteket interact.js och div-element.

No description available.

Scientists interested in uncovering associations between DNA variants and complex traits such as personality characteristics and cognitive abilities often face the constraint that the research requires very large samples to be successful. One reason very large samples are difficult to assemble is that the outcome variables are not always measured in a consistent way in different data sets, and sometimes they are not measured at all. In such cases, traditional measurement techniques (such as in-house interviews or surveys) are not always feasible. In this project, I sought to develop two “serious games” which can be used to measure short-term memory. The study shows that an individual’s performance in both of these games is moderately predictive of measures of short-term memory used by psychologists. The study also finds that users rate the serious games as more enjoyable than the conventional measures. The results suggest that ongoing effort to gather outcome data via nonstandard techniques such Mobile apps may turn out to be a useful complement to conventional approaches toward data collection.

No description available.

No description available.

Villkorsbaserad programmering är en programmeringsparadigm som används vid problemlösning som planering och schemaläggning. Problemlösningen sker genom att skapa en modell i en lösare som sedan söker efter lösningar. Idag finns få realtidsapplikationerbaserade på villkorsbaserad programmering. Det här arbetet utreder hur villkorsbaserade program presterar i en interaktiv miljö där krav finns att det ska vara i realtid. En webbapplikation har skapats med ett klient-server förhållande där en villkorlösare implementerats på servern. Mätningar har sedan gjorts på servern för att mäta responstiden. Resultatet var en funktion som visar responstiden beroende på antal villkor i modellen. Gränsen för antalet villkor låg runt 1400. Till detta så visas hur responstiden kan minskas genom tekniker som villkor-lösare erbjuder.

Att kunna klassificera en körstil implicerar klassificering av körbeteende, vilket ligger till grunden för miljö- och säkerhetsklassificering för körningar. I det här arbetet har vi låtit två förare köra en bil med en förhoppning att kunna klassificera vem det var som körde bilen. Målet var att kunna förutspå föraren med en korrekthet på 80-90% givet endast hastighet samt varvtal som samlas genom ODB:II-porten via CAN-bussen i fordonet. Angreppsättet på detta arbete liknar det för textklassificering, nämligen att använda två vanliga klassificeringsmetoder från just textklassificering — Multinominal och Gaussisk Naive Bayes tillsammans med N-gram samt diskretisering. Vi fann genom att använda Multinominal Naive Bayes med 4-gram samt icke-diskretiserade respektive diskretiserade hastighet- och varvtalsvärden kunde klassificera förare med 91.48% korrekthet. / To be able to classify a driving style implies that you classify a driving behaviour, which is the foundation of safety and environmental driving classification. In this thesis we have let two drivers drive a car in an attempt to classify, with a desired accuracy of around 90%, which one of us drove the car. This was done by exclusively using speed and rpm data values provided from the OBD:II port of the car via the CAN-bus. We approched this problem like you would a text classification one, thus using two common models of Naive Bayes — Multinominal and Gaussian Naive Bayes together with N-gram and discretization. We found that using Multinominal Naive Bayes consisting of 4-gram resulted in an avarage accuracy of 91.48% in predicting the driver, non-discretized speed and discretized rpm values.

No description available.

Producing many varying instances of the same type of graphical resource for games can be of interest, such as trees or foliage. But when randomly generating graphical resources, you can often end up with many similar looking results or perhaps results that doesn't look like what it is meant to look like. This work investigates whether genetic algorithms can be applied to produce greater varying results when generating graphical resources by basing the fitness of each individual for each genetic generation on how similar the graphical resource is to previously generated resources. This work concludes from the limited work that was performed that while it seems possible that the use of genetic algorithms might be able to produce visually different graphical resources, Blender currently doesn't seem to be able to produce enough results in a reasonable time frame for this to be usable on a large scale.